Novità in Milvus 2.3.2 e 2.3.3
Presentiamo le versioni Milvus 2.3.2 e 2.3.3! Queste ultime release portano una serie di miglioramenti pensati per migliorare le prestazioni e l'esperienza utente del nostro sistema di database vettoriale. Abbiamo considerato attentamente il feedback della nostra community di sviluppatori per realizzare questi aggiornamenti.
📦 PyPI: https://pypi.org/project/milvus/
📚 Docs: https://milvus.io/docs
🛠️ Note di rilascio:
🐳 Docker Image: docker pull
🚀 Release: milvus-2.3.3
Punti salienti:
Nuove funzionalità
🔍 Supporto per i tipi di dati Array - Milvus ora supporta i tipi di dati Array, consentendo un filtraggio preciso dei metadati. Ad esempio, nell'e-commerce, ciò abilita ricerche avanzate basate su più tag di prodotto, garantendo che i risultati di ricerca siano altamente pertinenti alle query degli utenti.
🧹 Supporto per espressioni di eliminazione complesse - Con Milvus 2.3.2 o 2.3.3, gli sviluppatori possono specificare criteri dettagliati per la rimozione dei dati, consentendo una pulizia precisa, come l'archiviazione progressiva dei dati vecchi o l'eliminazione basata sugli ID utente per conformità al GDPR. Si noti che l'eliminazione non è atomica; usatela con cautela per una gestione precisa dei dati.
🗂️ Integrazione TiKV per l'archiviazione dei metadati - Integrando TiKV per l'archiviazione dei metadati, Milvus ottiene maggiore scalabilità e stabilità. L'architettura di TiKV è progettata per gestire in modo efficiente l'archiviazione di metadati su larga scala, garantendo che Milvus possa scalare per soddisfare le esigenze di dataset in crescita senza sacrificare la stabilità.
🌀 Supporto per il tipo vettoriale FP16 - Il supporto di Milvus per il tipo vettoriale FP16 migliora l'efficienza del machine learning. Questo formato di dati è ampiamente utilizzato nel deep learning e nel ML per la sua capacità di rappresentare ed elaborare valori numerici in modo più efficiente, con conseguenti operazioni di machine learning più rapide e più efficienti in termini di risorse.
📊 Supporto per Vector Index MMAP - Vai oltre la mappatura dei soli dati grezzi 2.3.0; ora puoi mappare anche l'indice. Questa funzionalità consente di archiviare più dati sulla stessa macchina e offre flessibilità nell'archiviazione dei dati risparmiando sui costi.
Miglioramento
🔄 Esperienza di aggiornamento rolling - Milvus ha rafforzato la sua funzionalità di aggiornamento rolling nelle versioni 2.3.2 e 2.3.3, fornendo una transizione ottimizzata ed efficiente per gli utenti che effettuano l'upgrade dalla versione 2.2.15 in meno di 5 minuti.
🚀 Ottimizzazione delle prestazioni - Riduce al minimo le operazioni di copia dei dati per un caricamento dei dati ottimizzato, semplifica gli inserimenti di grande capacità utilizzando la lettura batch varchar, rimuove i controlli di offset non necessari durante il padding dei dati e risolve l'elevato consumo di CPU in scenari con inserimenti di dati sostanziali.
Oltre ai miglioramenti evidenziati, Milvus 2.3.2 e 2.3.3 offrono una moltitudine di nuove funzionalità e miglioramenti. Ciò include un CDC (Change Data Capture) aggiornato, ora in grado di replicare messaggi MQ (Message Queue), abilitando la sincronizzazione dei dati in tempo reale. Gli sviluppatori possono anche utilizzare l'inserimento bulk di dati binlog con chiavi di partizione, semplificando i processi di ingestione dei dati. Inoltre, queste versioni segnano il ritorno dei tipi di metriche binarie come SUBSTRUCTURE e SUPERSTRUCTURE, ampliando la gamma di opzioni di rappresentazione dei dati. Incoraggiamo gli sviluppatori a visitare le nostre note di rilascio per una panoramica completa di tutte le nuove funzionalità e miglioramenti.
Note conclusive
Siamo fermamente impegnati a migliorare continuamente Milvus, in linea con le esigenze dinamiche della nostra community di sviluppatori. Un sincero ringraziamento alla nostra vivace community di sviluppatori, i cui contributi, PR e preziosi feedback sono stati fondamentali nel plasmare la roadmap di Milvus. Siamo impazienti di vedere come questi aggiornamenti si integreranno perfettamente nei vostri progetti di sviluppo e attendiamo il vostro feedback. Continuate a programmare, innovare e plasmare il futuro dell'AI! 🤖🧠
Continua a leggere
Why Context Engineering Is Becoming the Full Stack of AI Agents
Discover how context engineering unifies prompts, RAG, and tools to build smarter, production-ready AI agents powered by Milvus.
Optimizing Embedding Model Selection with TDA Clustering: A Strategic Guide for Vector Databases
Discover how Topological Data Analysis (TDA) reveals hidden embedding model weaknesses and helps optimize vector database performance.
Zilliz Cloud BYOC Upgrades: Bring Enterprise-Grade Security, Networking Isolation, and More
Discover how Zilliz Cloud BYOC brings enterprise-grade security, networking isolation, and infrastructure automation to vector database deployments in AWS